L2säännöllöintiin
L2-säännöllöinti (L2 regularization) on koneoppimisessa käytetty regularisointitekniikka, jonka tarkoituksena on estää mallin ylisovittumista. Ylisovittuminen tapahtuu, kun malli oppii koulutusdatan liian hyvin, mukaan lukien sen kohinan, ja sen suorituskyky heikkenee uusilla, ennen näkemättömillä tiedoilla.
L2-säännöllöinti lisää mallin kustannusfunktioon (loss function) termin, joka on verrannollinen mallin painokertoimien neliöiden summaan. Tämä lisäys
Matemaattisesti L2-säännöllöinti lisätään tyypilliseen kustannusfunktioon seuraavasti: Uusi kustannusfunktio = Alkuperäinen kustannusfunktio + λ * Σ(w^2), missä w ovat mallin
L2-säännöllöintiä kutsutaan myös harvenemattomaksi regularisoinniksi (weight decay), koska se vähentää iteratiivisesti painokertoimien arvoja koulutuksen aikana. Toisin